MétaCan
Menu
Retour à la cohorte
Enregistrement W2971483792 · doi:10.3390/metabo9090176

Comparison of Differential Flavor Metabolites in Meat of Lubei White Goat, Jining Gray Goat and Boer Goat

2019· article· en· W2971483792 sur OpenAlexaff
Wei‐Ting Wang, Bei Sun, Peng Hu, Meng Zhou, Sujun Sun, Pengfei Du, Yi Ru, А. Н. Суворов, Yongsheng Li, Yaobo Liu, Shoujing Wang

Notice bibliographique

RevueMetabolites · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensMinistry of Agriculture
Organismes subventionnairesnon disponible
Mots-clésFlavorAromaFood scienceMetabolomicsSensory systemTasteChemistryTendernessBiologyChromatography

Résumé

récupéré en direct d'OpenAlex

Flavor is one of the most important sensory characteristics of meat. The development of taste and aroma can be attributed to thousands of flavor molecules and precursors that are present in meat tissues. As a result, the identification of these flavor compounds and an improved understanding of their roles are necessary for improving the sensory quality and customer appeal of meat products. In the current study, we compared the metabolic profiles of meat specimens from the Lubei white goats (LBB), Boer goats (BE) and Jining grey goats (JNQ) by untargeted liquid chromatography-mass spectrometry. Our metabolomic data revealed that the three types of goat meat showed significantly different profiles of fatty acids, aldehydes, ketones, lactones, alkaloids, flavonoids, phenolics and drug residues, which could underpin the nuances of their flavors. Taken together, our results provided insights into the molecular basis for sensory variations between different goat meat products.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,217
Score d'incertitude au seuil0,834

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,036
Tête enseignante GPT0,280
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMetabolitesMême sujetMeat and Animal Product QualityTravaux en français237 207